MADDPG算法并行优先经验回放机制

多智能体深度确定性策略梯度(multi-agent deep deterministic policy gradient,MADDPG)算法是深度强化学习方法在多智能体系统(multi-agent system,MAS)领域的重要运用,为提升算法性能,提出基于并行优先经验回放机制的MADDPG算法.分析算法框架及训练方...     

2019年微纳米力学热点回眸

微纳米尺度下材料的力学性能与样品的尺寸和表界面等物理量密切相关,因此纳米材料的力学性能可以在很大范围内进行高效的调节,使得纳米材料能够拥有超轻、超硬、以及高断裂强度和高韧性等卓越的力学性能。从尺度缺陷效应和生长机理、屈曲机理分析和应用、界面力学性能和应用、生物和软物质力学性能、软体机器人、机器学习等方面盘点了微纳米力学2019年取得的研究成果。     

基于深度学习的含未知复合故障多传感器信号故障诊断

深度学习在故障诊断领域的应用已比较成熟,其中卷积神经网络(CNN, convolution neural networks)和长短时记忆网络(LSTM, long short-term memory networks)就是典型模型之一。CNN作为一种常用的多传感器信号故障诊断方法,能够获得较好的诊断效果,却无法实现未知复合故障的诊断,为解决这个问题,提出CNN-LSTM-FCM(fuzzy C-means)模型。LSTM对具有前后联系的时间信号更敏感,利用这个特点将LSTM与CNN相结合,实现未知信号的诊断,并通过概率分类输出实现了复合故障的解耦,CNN-LSTM-FCM模型本身优化参数设计,进一步提高了诊断精度。使用化学过程故障测量数据进行实验,结果表明CNN-LSTM-FCM模型诊断准确率可达到97.15%,优于CNN模型和LSTM模型,具有较高的应用价值。     

一种元-卷积网络和持续学习融合的洞库类目标识别方法

洞库类目标是高价值识别目标,针对洞库类目标样本数据难以获得、样本内部数据相似度较高、人工设计识别特征方法局限性较大、普通深度网络需要海量数据等问题,提出了结合元学习和深度卷积网络的元-卷积网络(MCNN),并融合持续学习理论的洞库类目标识别方法(MCNN-LLS).首先结合深度卷积网络、元学习的理论建立元-卷积网络,该网络可利用旧知识指导新知识的训练,利用小样本数据即可训练得到识别能力较高的深度洞库模型;然后融合持续学习理论,建立持续学习系统(LLS),设计专家审核模型判别深度洞库模型的识别结果,并引入潜在任务、模型异步更新等方法,达到模型持续学习、持续更新的效果.实验表明,本文方法所需样本数量少,对洞库类目标识别准确率高,且识别能力可随识别过程中新数据的积累逐步提高.     

尿素深施条件下模拟稻田中氮磷的动态特征及其降污潜力分析

采用室外微区模拟试验,于水稻返青生长期,采用尿素造型深施方式,在3、7和11cm等3个不同施肥深度处理(分别表示为t-3、t-7、t-11)条件下,对田面水和土壤中氮、磷、以及悬浮物(SS)等主要污染物的动态特征及其降污潜力进行了研究。结果表明,尿素深施后5～7d内,田面水中氮素呈总体下降趋势,于第7d后达较低的浓度水平;硝氮(NO3--N)各处理间浓度差异较小,但整体上要高于铵氮(NH4+-N),就污染源而言,田面水NO3--N负荷不容忽视。田面水氮素浓度与尿素深施处理没有相关性。与对照处理撒施(表示为t-c)相比,深施处理的田面水中氮素浓度可分别降低NO3--N 29%～47%、NH4+-N 64%～89%、总氮(TN)79%～97%。t-3和t-7的田面水总磷(TP)和可溶性磷(DP)浓度都处于较高水平,与t-7和t-3相比较,t-11可分别降低TP浓度32%～73%、DP浓度92%～99%以及SS浓度50%～80%。因此,尿素造型深施至11cm左右,具有显著的减排降污潜力,是控制农田面源污染的有效措施之一。     

脑深部神经刺激微电极的表面改性研究

为了提高脑深部刺激电极的生物相容性,降低脑组织的免疫反应,减少或抑制电极周围包裹物的形成,对电极植入端聚氨酯材料进行了表面改性处理.首先用N₂/H₂进行等离子体处理,在电极表面生成活性基团——氨基,再利用电极表面的氨基基团与YIGSR多肽分子发生聚合反应,从而实现在电极表面修饰上对神经细胞具有促进生长作用的多肽分子.改性电极的大鼠植入实验结果发现,改性电极能够在一定程度上减少胶质包裹物的形成,有利于电极与神经细胞之间接触,增加有效刺激体积,证明了电极聚氨酯材料表面接枝聚合生物大分子的可行性,对今后电极表面改性的深入研究具有一定的参考意义.     

深基坑出碴方案比选

深基坑出碴在一些情况下会成为制约工期的关键因素,尤其是复杂地形条件下,在首先满足工期的前提下,还要综合考虑现有机械情况、技术条件和经济效益以及其他作业干扰,这使得深基坑出碴变得更加复杂。文章通过准朔铁路黄河特大桥工程特点,对几种深基坑出碴方案进行了分析对比,综合考虑后选择了履带吊出碴方案。     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

基于YOLOv5s-FCS的钢材表面缺陷检测

针对传统钢材表面缺陷检测方法易出现误检、漏检和部分缺陷种类检测精度低等问题,本文设计了一种钢材表面缺陷网络YOLOv5s-FCS。首先本文引用了FReLU激活函数构建了卷积模块CBF,有效增强了网络的空间解析能力,优化了网络检测精度;其次,本文将坐标注意力机制嵌入到网络的neck部分来增强网络特征融合的能力,从而使网络能够提取更加丰富的特征信息;最后,将YOLOv5s的损失函数替换为SIoU loss,提高了预测框的回归精度。通过在NEU-DET数据集上进行消融实验、可视化对比实验,结果表明,YOLOv5s-FCS网络的mAP值达到了0.747,相较于原YOLOv5s网络提高了8.3%,相较于YOLOv3网络提高了11.8%,相较于YOLOXs网络提高了4.2%,相较于YOLOv6s提高了1.4%,验证了该方法的可行性、有效性。     

基于神经网络的图像描述方法研究

自动识别和描述图像的内容是人工智能中一个重要的研究方向,它涉及计算机视觉和自然语言处理技术。针对这一难题,提出了一种由深层神经网络模型生成自然语言句子来描述图像内容的方法。该方法提出的模型由卷积神经网络(Convolution Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)组成,其中,CNN用来提取输入图像的特征生成固定长度的特征向量,该特征向量初始化RNN来生成句子。在MSCOCO图像描述数据集上的实验结果表明了该模型所生成句子的语法准确性和语义准确性,且优于先前的基线模型。